Fyzikálně informované diferencovatelné modely traversability v robotice

Abstract

Spolehlivý a interpretovatelný odhad průchodnosti je klíčovou schopností pro autonomní pozemní roboty pohybující se ve složitých, nestrukturovaných prostředích. Tato disertační práce představuje sadu vysvětlitelných a diferencovatelných metod, které zlepšují porozumění a predikci interakcí mezi robotem a terénem na základě senzorových dat, a umožňují tak robustní navigaci v náročných podmínkách v terénu i v podzemí. První část práce se zaměřuje na diferencovatelné modely, které integrují uvažování o průchodnosti přímo do optimalizace trajektorie. Představujeme rámec aktivního průzkumu citlivého na pokrytí scény pro podzemní prostředí, kde je optimalizována jak průchodnost, tak vizuální pokrytí s cílem najít bezpečné a efektivní trasy. Využití diferencovatelných funkcí pokrytí a nákladů interakce s terénem umožňuje zpřesnění trajektorií pomocí gradientních metod a zlepšuje výkon detekce objektů zájmu. Druhá část práce se zabývá datově řízeným odhadem průchodnosti s využitím geometrických a sémantických příznaků. Navrhujeme hybridní přístup, který kombinuje geometrické rysy získané z lidarových skenů s naučenými modely průchodnosti k odhadu obtížnosti terénu a predikci nákladů na navigaci. Pro zlepšení kvality geometrického vstupu zavádíme metodu samořízené korekce hloubky z lidaru, která přesňuje odhad 3D struktury a zlepšuje konzistenci mapy i přesnost lokalizace. Hlavním přínosem práce je vývoj modelů fyzikálně informovaného strojového učení (PIML), které kombinují datově řízené učení s fyzikálně založenými předpoklady pro odhad interpretovatelných vlastností terénu, jako je výška, tření a kontaktní síla podkladu. Navržené modely MonoForce a FusionForce ukazují, že využití diferencovatelné fyziky a fúze multimodálních senzorových dat vede k přesnému, vysvětlitelnému a obecně použitelnému porozumění terénu. Rozsáhlé experimenty v simulaci i reálném nasazení v terénu ověřují navržené metody a potvrzují jejich účinnost při zajištění bezpečného a autonomního pohybu robotů v dříve nepřístupných nebo nebezpečných oblastech.Reliable and interpretable traversability estimation is a critical capability for autonomous around robots operating in complex, unstructured environments. This thesis presents a set of explainable, differentiable methods that advance the understanding and prediction of robot-terrain interactions from sensory data, enabling robust navigation in challenging field and subterranean scenarios. The first part focuses on differentiable models that integrate traversability reasoning directly into trajectory optimization. We present a coverage-aware active exploration framework for subterranean environments, where traversability and visual coverage are jointly optimized to provide safe and efficient paths. The use of differentiable coverage and robot-terrain interaction cost functions enables gradient-based trajectory refinement and improved object detection performance. The second part of the thesis explores the estimation of data-driven traversability using geometric and semantic cues. A hybrid approach is proposed, combining geometric features from lidar scans with learned traversability models to infer terrain difficulty and predict navigation cost. To improve the quality of geometric input, we introduce a self-supervised lidar depth correction technique that refines 3D structure estimation and improves map consistency and localization accuracy. Finally, the core contribution lies in the development of physics-informed machine learning (PIML) models that combine data-driven learning with physically grounded priors to estimate interpretable terrain properties such as elevation, friction, and support contact force. The proposed MonoForce and FusionForce pipelines demonstrate that leveraging differentiable physics and multimodal sensor fusion leads to accurate, explainable, and generalizable terrain understanding. Extensive simulation and field deployment experiments validate the proposed methods and demonstrate their effectiveness in improving safe, autonomous mobility in previously inaccessible or hazardous environments.